模糊神經petri網模型優(yōu)化及應用

1、分類號：TPl83密級：(秘密、機密、絕密)學校代碼：10057研究生學號：11834013模糊神經Petri網模型優(yōu)化及應用TheOptimizationandAppficationofFuzzyNeuralPetriNetsModel專業(yè)名稱：計算機應用技術指導教師姓名：李孝忠教授研究生姓名：周艷軍申請學位級別：工學碩士論文提交日期：2014年3月論文課題來源：國家自然科學基金學位授予單位：天津科技大學萬方數(shù)據(jù)摘要近年來，Petri

2、網作為一種對離散、異步、并發(fā)、并行、非確定和隨機等性質的信息處理系統(tǒng)建模分析效能超強的工具被越來越多的海內外專家學者廣泛應用和研究。此外，模糊理論在表示不確定信息等方面體現(xiàn)出來的優(yōu)勢而倍受東方專家學者青睞。與此同時，神經網絡因為其本身強大的非線性處理能力，一直以來眾多關注并且已經成功應用于計算機科學、神經科學以及經濟學等領域中。模糊神經Petri網(FuzzyNeuralPetrinets，F(xiàn)NPN)是將Petri網建模分析處理能力與模

3、糊表示相結合，而后融入神經網絡自適應算法而提出的。FNPN匯聚了三個理論各自的優(yōu)點，模型能夠解決某些模型中模糊參數(shù)難以確定的難題，使模型更加真切地描述實際系統(tǒng)。但是，其學習能力還是取決于選取的學習算法，如果要獲得好的模型需要選用學習收斂速度快、精確度高且震蕩小的學習算法。綜上所述，優(yōu)化改進FNPN模型的算法對建立更加理想的模型具有較強的現(xiàn)實意義。針對FNPN學習算法計算精度低、收斂性差及訓練過程中網絡震蕩性較大的問題，本文提出一種優(yōu)化的

4、FNPN算法。本算法采用兩種S型連續(xù)函數(shù)分別表示變遷使能及變遷點燃后的新標記值，并在傳統(tǒng)參數(shù)修正公式的基礎上考慮修正前的數(shù)值進而增加新型的動量項。本文證明了優(yōu)化后的參數(shù)修正算法可以保證FNPN網絡的收斂性。在改進算法的應用方面，本文將其應用在近來被廣泛研究的故障診斷等系統(tǒng)當中，通過對專家系統(tǒng)和故障診斷系統(tǒng)建立相應的FNPN模型，利用改進前后的算法對模型進行計算，由數(shù)據(jù)統(tǒng)計圖可以對比看出本算法在計算精度、算法效率以及收斂性方面的效果均比傳